Resumen

La selección óptima de subconjuntos de características es una tarea importante y difícil para la clasificación de patrones, la minería de datos y las aplicaciones de inteligencia artificial. El objetivo de la selección de subconjuntos de características es eliminar las características irrelevantes y ruidosas para seleccionar subconjuntos de características óptimos y aumentar la precisión. El gran número de características en un conjunto de datos aumenta la complejidad computacional, lo que conduce a la degradación del rendimiento. En este artículo, para superar este problema, se utiliza la técnica de modulación angular para reducir el problema de selección de subconjuntos de características a un problema de optimización continuo de cuatro dimensiones en lugar de presentar el problema como un vector de bits de alta dimensión. Para presentar la efectividad de la presentación del problema con modulación angular y determinar la eficiencia del método propuesto, se emplean seis variantes de algoritmos de Colonia de Abejas Artificiales (ABC) que utilizan la modulación angular para la selección de características. Los resultados experimentales en seis conjuntos de datos de alta dimens

• Materias:Ecuaciones diferenciales Axiomas de lógica Intervalo Semiilimitado Deformación no lineal Cadenas homotópicas
• Subjects:Differential equations Logic axioms Semi-limited interval Nonlinear deformation Homotopy chains
• Palabras claves:Selección de subconjuntos de características; Clasificación de patrones; Minería de datos; Inteligencia artificial; Modulación angular; Algoritmos de Colonia de Abejas Artificiales (ABC)
• Keywords:Feature subset selection; Pattern classification; Data mining; Machine intelligence; Angle modulation; Artificial Bee Colony (ABC) algorithms